Nul
Hvor skal data forskere kommer fra? De har ikke alle Ph.d. – grad, og kommer fra en bred vifte af studieretninger, niveauer af uddannelse og tidligere jobs. Det er konklusionen af Chris Lindner, et produkt, forsker ved Faktisk, der for nylig kiggede på bunker af igen, at hans firma processer.
Foto: IBM Media Relations
Kun 20 procent af de data, som forskere har Ph.d. – grad, finder han — og de kommer fra en bred vifte af baggrunde. “Mange kommer fra master-og Ph.d. – programmer, inden for alt lige fra astrofysik til zoologi,” han finder. “Andre kommer fra de mange nye data videnskab graduate programmer, som universiteterne tilbyder. Og endnu andre kom fra andre teknologi roller, såsom software engineering eller data-analyse.”
Mange data science professionals også var software-ingeniører i deres tidligere job, Lindner bemærker. “Mange overgangen til analytiker roller, mens andre hop direkte til data videnskab.”
Hans råd til arbejdsgivere: når du søger data videnskab færdigheder, holde dine muligheder åbne. “Hvis du er på udkig efter en generalist data videnskabsmand, behøver ikke smide et cv, bare fordi det felt eller den grad ikke er, hvad du forventer. Data forskere er forskellige i deres uddannelse og baggrund. Selv om de fleste har en videregående uddannelse i et eller andet felt, der ikke er et felt, der dominerer arbejdsmarkedet. Hvis du har problemer med at ansætte erfarne data forskere eller forskere ud af den akademiske verden, overveje at bringe i individer fra software engineering eller data analytiker roller, som er det helt klart en fælles indgang til data videnskab.”
I sidste ende, den mangfoldighed, der kræves for at flytte data videnskab — og følgelig, artificial intelligence — fremad kræver en mangfoldighed af færdigheder. For AI og data videnskab til at være nyttigt for en virksomhed, er det nødvendigt at være en team sport.
IBM ‘ s Vijay Vijayasankar, for én, er en fortaler for data-videnskab-en-team tilgang. Som han forklarede i en nylig online tale med Diginomica ‘ s Jon Reed, de færdigheder vigtigt, at AI og data videnskab ikke kan destilleres til en enkelt person eller rolle i organisationen. Denne type af funktion “behov for statistikker oplevelse; det behov videnskab oplevelse; det behov storytelling oplevelse; det kræver en god visualisering erfaring, det kræver en masse af domæne erfaring.” forklarede han.
Problemet er arbejdsgiverne der er, de søger ekstraordinære personer, der er dygtige på mange af disse områder-folk, der er svære at finde, eller allerede er ansat, af nogle store glamourøse web ejendom. For almindelige virksomheder, der har behov for at være en anerkendelse af, at hold af fagfolk fra en række domæner — ja, der omfatter humaniora — kan samle deres ekspertise og levere data-drevet udvikling. “En masse mennesker, der rekrutterer data forskere ofte ikke tænker på dette hold karakteren af dette arbejde, og får så meget frustreret senere, da det ikke giver dem den type fordel, at det, de ønsker,” Vijayasankar sagde.
“Det er ikke rigtig om nogle rock star kommer og vinker den magiske data videnskab tryllestav,” fortsatte han.
Vijayasanka illustreret et eksempel, som kan ses på et fly dele producent: De var spinning hjul på nogle data analytiske problemer, “og det var ikke før de satte sig ned med ingeniører og specialister og ledere med de data, som det er, når en pære begyndte at gå ned. Det var at sidde ned med domæne-eksperter, der har været i området i 20 år, at de var i stand til straks at se problemet.”
Er det “ikke nok, at du kender den machine learning aspekt; du har også brug for at kende processen,” fortsatte han.”Hvordan quote-to-cash-værker i alle ERP-er det ikke noget, at du kan lære en data videnskabsmand i to dage. Det er også svært at undervise i machine learning til et ERP specialist i et par dage eller uger. Det er vigtigt, at vi krydsformere viden.”
Relaterede Emner:
Big Data Analytics
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0